Discussão do artigo "Ciência de Dados e ML (Parte 36): Lidando com Mercados Financeiros Tendenciosos"

Novo comentário
 

Novo artigo Ciência de Dados e ML (Parte 36): Lidando com Mercados Financeiros Tendenciosos foi publicado:

Os mercados financeiros não são perfeitamente equilibrados. Alguns mercados apresentam tendência de alta, outros apresentam tendência de baixa, enquanto outros apresentam movimento lateral, indicando incerteza quanto à direção. Quando essas informações desbalanceadas são utilizadas para treinar modelos de machine learning, elas podem gerar resultados enganosos, especialmente porque as condições do mercado mudam com frequência. Neste artigo, discutiremos diferentes maneiras de lidar com esse problema.

Diferentes mercados de Forex e instrumentos financeiros apresentam comportamentos distintos em diferentes períodos. Enquanto alguns mercados financeiros, como ações e índices, frequentemente apresentam tendências de alta no longo prazo, outros, como o mercado Forex, podem apresentar movimentos de baixa e outros padrões de comportamento. Essa incerteza aumenta a complexidade da tarefa de prever o mercado utilizando técnicas de Inteligência Artificial (IA) e modelos de Machine Learning (ML).

Data Science e ML - Lidando com Mercados Financeiros Desbalanceados


Autor: Omega J Msigwa

 
Obrigado, Omega. Agradeço por ter preparado isso. O Bais é algo que todos nós tememos. Baixei os anexos. Gostaria de sugerir que incluam todos os componentes necessários. Felizmente, você tem o GitHub, então consegui encontrar e instalar os pré-requisitos (preprossing.mqh, plots.mqh, Matrixextend.mqh, metrics.mqh e Random Forest.mqh). Infelizmente, fico preso na mensagem “Init - Identificador não declarado” na linha if (!random_forest.Init(StringFormat("%s.%s.%s.onnx", symbol_, EnumToString(timeframe_), technique_name), ONNX_COMMON_FOLDER)) // Inicializando o RFC no formato ONNX a partir de uma pasta comum. Verifiquei e, de fato, tenho o arquivo USDJPY.PERIOD_D1.randomundersampling.onnx na pasta MQL5\Common
 
linfo2 USDJPY.PERIOD_D1.randomundersampling.onnx na pasta MQL5\Common

Os componentes necessários são a versão mais recente de tudo o que foi importado para o notebook; você pode executar o comando `pip install` sem se preocupar com conflitos de versões. Como alternativa, você pode seguir o link na tabela de anexos, que o levará ao site Kaggle.com, onde é possível editar e modificar o código.

Identificador não declarado: isso pode significar que uma variável ou um objeto não está definido. Verifique seu código ou me envie uma mensagem direta com uma captura de tela do código.

 
Os resultados do teste não são confiáveis. O período do teste abrange o mesmo período dos dados de treinamento. O modelo terá um bom desempenho no conjunto de treinamento e um desempenho ruim no conjunto de teste. É possível observar que muitos resultados do teste estão no intervalo de tempo de 06/07/2024 a 01/01/2025. O modelo apresenta um desempenho ruim, enquanto o desempenho do modelo no período anterior é excelente. Calculei que o conjunto de treinamento representa 80%. Os dados não são randomizados para alocação aleatória, e os conjuntos de treinamento e teste são alocados diretamente em ordem. O modelo reconhece os dados de treinamento anteriores, mas não os dados de teste subsequentes. Você utilizou os dados de treinamento no teste, o que levará a resultados gerais inflacionados, e o desempenho nos dados de teste subsequentes é muito ruim, com perdas. Assim, o centroide do cluster também não é confiável. O agrupamento por clusters utiliza todos os dados, e os dados gerais serão usados para o agrupamento e, em seguida, para o treinamento. Portanto, os dados de treinamento utilizados por esse método abrangem o intervalo de tempo de 01/01/2023 a 01/01/2025. Pode-se dizer que se trata de um teste realizado inteiramente com os dados de treinamento, sem avaliação em dados desconhecidos. Os dados de treinamento e os dados de teste devem ser rigorosamente diferenciados em ordem cronológica. Somente os dados de teste podem ser utilizados para avaliar o desempenho do modelo, como, por exemplo, 01/01/2023 a 01/01/2024 como dados de treinamento e 01/01/2024 a 01/01/2025 como dados de teste. O modelo de teste só pode ser testado utilizando dados de teste. Não deve haver risco de vazamento de informações; caso contrário, todo o bom desempenho do modelo será considerado não confiável.
Novo comentário